關注平行程式設計

在多核心處理器普及的現在，平行程式設計逐漸受到重視，新的程式語言在推出或者既有程式語言在演化的過程中，無不將平行程式設計的特性視為重點之一，就技術上而言，開發者並不欠缺可用的平行方案，需要的是對平行處理的認識，以及平行的設計思維之培養。

區別並行與平行

開發者多半知道多執行緒程式設計，也就是在程式設計上可獨立設計多個流程，在某些時間點讓多個流程並行。最常見的應用場合，就是在循序流程發生阻斷時，例如下載多個網頁，由於網頁下載過程中，需要開啟網路連結、協定交換、網路傳輸、存檔等動作，而這些動作需要等待，若能分多個流程來下載多個網頁，在等待某個下載動作完成的時間，處理器可看看另一流程是否可進行運算，避免閒置，從而縮短全部網頁下載完成時間。

也就是說，就處理器來說，同時間還是只有一個執行緒在核心中運行，這類設計稱為並行程式設計（Concurrent programming），由於只是在邏輯上（Logically），或者說等待的同時做了其他事情，基本上適合非計算密集的任務，若是計算密集任務，並不會獲得減少處理器閒置時間的好處，反而會因為切換執行緒的成本，使得花費的時間更長。

相對於並行程式設計，平行程式設計（Parallel programming）是在實體上（Physically）同時進行多個流程，因而需要硬體上的支援，就單一主機而言，基本上需要具備多處理器或多核心處理器，就技術上而言，需要程式語言的語法，或者是程式庫、框架來支援。

由於平行程式設計，可真正在多個處理器或核心中，同時執行多個流程，沒有切換流程的成本，只要子任務分配適當，完成整個任務需要的時間就可以縮短，只不過長期以來，開發者多半接受循序式、命令式思維的教育，後來在「同時處理」的這類任務，多半先接觸的又是多執行緒，通常只會在循序流程受到阻斷時，才會試著（以執行緒的觀點）思考多個流程的可能性。

平行處理的出發點

平行處理的出發點，並不是優先思考平行處理的可能性，或想著這個任務可以用幾個處理器來做平行處理來進行設計，這將會使得架構被寫死而不易擴展，如果子任務之間必須溝通，也可能造成複雜的溝通機制，使得除錯不易（難以在單一流程的情況下除錯），或者因不當的鎖定而效能低落。

平行處理的出發點是子任務的分解，每個子任務應該能被獨立地賦予任務、執行並達到成果，相同子任務應該要有相同的結果，而且子任務之間不會互相影響。舉例來說，每個函式設計為無副作用，甚至使用純函數式典範，讓每個運算步驟都無副作用，無副作用並不代表它們不能產生輸入輸出，相同的資料檔案來源，產生相同的檔案輸出，也可算是一種無副作用。

這樣的設計方式下，有些技術可以簡單地將子任務平行化，甚至只要調整某些參數，就可以控制使用的處理器或核心數量，像是Go語言中，可以使用go關鍵字就讓某個函式進行並行或平行處理（Go 1.5預設會使用所有的CPU核心），在C++領域有個OpenMP，甚至可使用#pragma omp parallel for，將for迴圈的本體進行平行化，另一個好處是，程式仍是可以循序執行，在需要除錯的場合，可以降低除錯的難度。

在談及平行處理的場合，經常會出現兩個名詞：資料平行（Data parallelism）、任務平行（Task parallelism）。前者是指有大量資料要處理，將資料分解並丟給各個處理器處理，看似簡單，然而，難處在於得先有個可分解的資料集，開發者得去除資料集中各筆資料間的相依性，或者找出資料集中可改為平行分量的部份，然後將之化為子任務去執行運算，這在我先前專欄〈執行資料平行處理的效能考量〉曾經提過。

至於任務平行，是指同一個資料集上要進行不同的任務，例如，在同一個天氣資料集中找出最高溫度、最低溫度、平均溫度，傳統循序作法中，為了所謂的效能，可能在一次讀取資料集的過程中，就將這三個任務完成，然而，任務平行的做法中，可能是分三個子任務，每個子任務讀取一次資料集，各自專心處理最高溫度、最低溫度、平均溫度的取得，也就是一次只處理一件事，想當然爾，後者可以在需要平行處理的場合中，將三個子任務分配給不同的處理器。

無副作用的子任務、資料的相依性去除、一次只做一件事，這是平行處理的出發點，而這些在純函數式語言中是基本而重要甚至是強迫性的，這也就是為什麼純函數式語言，會在後來被重視，且視為適合平行處理，或視為訓練平行思維的語言。

三個定律的本質

在談到平行處理議題時，往往會提到三個定律：Moore's law、Amdahl's law、Gustafson's law。第一個定律是大家熟悉的「積體電路上可容納的電晶體數目，約每隔24個月便會增加一倍」，後來David House則說「預計18個月會將晶片的效能提高一倍」。只不過，半導體終究有物理上的限制，Moore's law被預期將遇到極限，依賴單一處理器的速度也就有其瓶頸。

也因此，後來人們開始關注平行處理，根據Amdahl's law，如果任務中有能夠平行處理的分量，只要能將序列處理中的一半改為平行處理，在不考慮投入的核心數下，效率就會增加為兩倍，不過，當處理器增加到一定數量之後，後續增加的處理器對效能的貢獻就會趨近於零，最終會受到程式中循序部份的主導。

Gustafson's law則提出了一個修正，由於電腦運算能力越來越強大，人們也就給予越來越龐大的任務，如果能從這龐大任務中，分出越多可平行處理的部份，處理器越多就代表著能平行處理掉的量就越大，循序的部份在這類日益龐大的任務中，影響就能逐漸減少。

Amdahl's law與Gustafson's law看似衝突，實際上二者本質上一致，前者是在定量任務下，談到就算處理器不斷增加，最終效能還是受到循序部份的影響，因而重要的是「降低循序部份」，後者是談到越是龐大的任務，分出越多平行分量給更多處理器處理，就越能不受循序部份的控制，因而重要的是「增加平行部份」，降低循序與增加平行不就是一體兩面！

留意適當語言與工具

當然，最終開發者還是要以某種語言或技術實現程式，現在有不少的語言、程式庫或框架，提供有平行程式設計上的支援，妥善納入考量，可以減少許多實作上的難度，方才提到的Go語言是個例子，而在Java 8中想做資料平行化，可以考慮Stream API，利用以上原則，在單一流程下可以執行任務，接著就只要將stream改為parallelStream，看看是否改進了效能。

實際上有些場合，使用了執行緒的動作也可以平行化，像是方才提到的多個網頁下載，這是因為過去語言或技術上對平行的支援欠缺，只好使用執行緒，在多處理器的環境中，如果需要大量執行這類任務，可以考慮修改為真正的平行化，Python中特意將multiprocessing模組中一些API，設計成為threading模組API，這時就可以善加利用，不過由於執行緒比較輕量級，改成行程負擔較重，實際上還是要看看哪個較具效能。

平行程式設計是現代與未來開發者，都必須關注的課題，有看過Multiple CPU dance嗎？在嘴角失守的同時，或許可以先想想看，自己寫的程式能否避免同樣的場景？